阅读说明：本技术 基于mvmd-cca的ssvep脑电信号识别方法 (MVMD-CCA-based SSVEP electroencephalogram signal identification method ) 是由 翟弟华 王康 胡乐云 夏元清 戴荔 邹伟东 张金会 闫莉萍 崔冰 孙中奇 郭泽华 于 2020-05-26 设计创作，主要内容包括：本发明公开了基于MVMD-CCA的SSVEP脑电信号识别方法,能够将脑电信号分解为多个多元调制分量,降低脑电信号中的非相关脑活动与伪迹的影响,提高分类精度。包括如下步骤：采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。设定带分解的分量个数K,构造变分问题,并采用ADMM算法求解所述变分问题,将所述待识别脑电信号分解为K个多元调制分量。据诱发所述待识别脑电信号的视觉刺激频率,定义参考信号。求解特定刺激频率f<Sub>i</Sub>的加权关联系数。取最大加权关联系数对应的频率即为所述待识别脑电信号的诱发刺激频率。(The invention discloses an SSVEP electroencephalogram signal identification method based on MVMD-CCA, which can decompose an electroencephalogram signal into a plurality of multivariate modulation components, reduce the influence of non-relevant brain activities and artifacts in the electroencephalogram signal and improve the classification precision. The method comprises the following steps: and collecting the multi-channel steady-state visual evoked potential SSVEP electroencephalogram signal as an electroencephalogram signal to be identified. Setting the number K of components with decomposition, constructing a variation problem, solving the variation problem by adopting an ADMM algorithm, and decomposing the electroencephalogram signal to be identified into K multivariate modulation components. Defining a reference according to the visual stimulation frequency inducing the EEG signal to be identifiedA signal. Solving for a specific stimulation frequency f i The weighted correlation coefficient of (2). And taking the frequency corresponding to the maximum weighting correlation coefficient as the evoked stimulus frequency of the electroencephalogram signal to be identified.)

基于MVMD-CCA的SSVEP脑电信号识别方法

技术领域

本发明涉及模式识别技术领域，具体涉及基于MVMD-CCA的SSVEP脑电信号识别方法。

背景技术

脑机接口是一种不依赖周围神经肌肉组织等通路，直接利用人类大脑活动产生的信号与外界环境设备沟通的技术。近年来，脑机接口逐渐成为脑科学、生物医学、人工智能等领域的研究热点，受到世界各领域研究的重视，不少国家先后启动了相关研究计划。脑机接口技术在多个领域具备巨大的发展潜力：在康复医疗领域，可以帮助患有肌萎缩侧索硬化症、脑卒中等疾病的患者进行康复训练，有助于患者恢复神经知觉；在军事领域，可以通过控制军用外骨骼强化士兵的单兵作战能力，也可以提供脑控无人机、无人车等外部装备的方法；在娱乐生活领域，可以帮助人们控制家用电子设备，提升人们的生活品质。

稳态视觉诱发电位(Steady-state Visual Evoked Potential,SSVEP)是脑机接口设备常用的输入信号。当人眼受到较高频率的视觉刺激时，大脑皮层的枕区会出现周期性节律活动，即SSVEP。基于SSVEP的脑机接口的主要指标是信号识别精度和信息传输速率(Information Translate Rate,ITR),系统的实现关键在于SSVEP脑电信号的特征提取与分类识别。

目前基于CCA及其变种的算法在SSVEP脑电信号的识别中得到了广泛应用，其中最为典型的是陈小刚等人提出的FBCCA算法，在线实验中达到了约92％的精度和151bit/min的信息传输率。目前来说，SSVEP的识别率还有着进一步的提升空间。

SSVEP脑电信号记录过程中出现的自发性脑电活动和伪迹会影响到基于CCA算法的识别性能，提取与SSVEP相关的子频带可以减少无关脑活动和伪迹的影响，FBCCA算法的提出也是基于这一点。

目前针对SSVEP脑电信号的识别受脑电信号中的非相关脑活动与伪迹的影响较大，分类精度不高。

发明内容

有鉴于此，本发明提供了基于MVMD-CCA的SSVEP脑电信号识别方法，能够将脑电信号分解为多个多元调制分量，降低脑电信号中的非相关脑活动与伪迹的影响，提高分类精度。

为达到上述目的，本发明的技术方案为：基于MVMD-CCA的SSVEP脑电信号识别方法，包括如下步骤：

S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。

S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量。

S3、据诱发待识别脑电信号的视觉刺激频率，定义参考信号。

S4、求解特定刺激频率f_i的加权关联系数。

S5、取最大加权关联系数对应的频率即为待识别脑电信号的诱发刺激频率。

进一步地，多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号，具体为：采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。

进一步地，设定带分解的分量个数K，构造变分问题，具体为：待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量u_k(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：

S201、利用Hilbert变换求多元调制振动信号u_k(t)的解析信号

其中分别为第1～第C通道的解析信号；u_k,1(t)～u_k,C(t)分别为u_k(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号。

S202、预估解析信号的中心频率为w_k，采用移频操作将解析信号的频谱移至基带：

S203、利用梯度的L²范数构造约束变分问题如下：

其中u_k,c(t)为分解的第k个分量中u_k(t)的第c个通道的数据，x_c(t)为待识别脑电信号x(t)的第c个通道的数据。

S204、引入二次罚项α和拉格朗日乘子λ将约束变分问题转换为无约束变分优化问题：

其中，<>表示两个元素的积；λ_c为

进一步地，采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：

S2001、初始化迭代次数n设置为0；为u_k,c(t)对应的迭代初值，为每个中心频率w_k(k＝1,2,...,K)对应的迭代初值，为拉格朗日乘子函数λ_c对应的迭代初值；

S2002、对于第n+1次迭代，对每一个多元调制分量u_k,c(t)，k＝1,2,3…K进行更新如下：

其中为u_k,c(t)对应的第n+1次迭代值；i为下标k的指代标志，为包含当i＜k时所有的u_i,c(t)对应的第n+1次迭代值的集合，为包含当i≥k时所有的u_i,c(t)对应的第n次迭代值的集合；为w_k的第n次迭代值，为包含所有w_i对应的第n次迭代值的集合；为λ_c对应的第n次迭代值；

解得的频域更新公式为：

其中w为频域变量；

S2003、对每个中心频率w_k(k＝1,2,...,K)的第n+1次迭代至更新如下：

得到的频域更新公式为：

S2004、拉格朗日乘子函数λ_c对应的第n+1次迭代值更新如下：

S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：

最终得到K个多元调制分量u_k(t)，k＝1,2,...,K。

进一步地，据诱发待识别脑电信号的视觉刺激频率，定义参考信号，具体为：

根据诱发SSVEP的N个视觉刺激频率f_i，其中i＝1,2,…,N，定义参考信号为：

其中，N_h表示谐波的数量。

进一步地，求解特定刺激频率f_i的加权关联系数，具体为：

S401、针对特定刺激频率f_i(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量u_k(t)，k＝1,2,...,K与参考信号Y_i，i＝1,2,…,N，的最大典型关联系数

S402、求刺激频率f_i下的加权关联系数：

有益效果：

本发明实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法，利用MVMD算法与CCA算法结合，其中MVMD作为处理多通道、非线性、非平稳信号的分解算法，在脑电信号的分析处理方面有着天然的优势，将该算法与CCA算法相结合可以有效发挥两种算法的优越性。MVMD算法可以将原始脑电信号进行分解为多个多元调制分量，定义的加权关联系数可以降低不相关分量对识别的影响，一定程度上降低信号中非相关脑活动与伪迹的影响。MVMD算法分解的多元调制分量质量较高，结合CCA算法的识别结果相比于FBCCA算法，分类精度有着较为明显的提升。

附图说明

图1为本发明实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法原理图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了基于MVMD-CCA的SSVEP脑电信号识别方法，其原理如图1所示，包括如下步骤：

S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。本发明实施例中，采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。

S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量。

S3、据诱发待识别脑电信号的视觉刺激频率，定义参考信号。

S4、求解特定刺激频率f_i的加权关联系数。

S5、取最大加权关联系数对应的频率即为待识别脑电信号的诱发刺激频率。

其中S2采用改进变模态分解MVMD算法构造变分问题，S4采用典型关联分析CCA算法求解特定刺激频率f_i的加权关联系数，目前虽然已明确MVMD作为处理多通道、非线性、非平稳信号的分解算法，但尚未有MVMD算法在脑电信号的分析处理方面的应用，经分析MVMD算法在脑电信号的分析处理方面有着天然的优势，将该算法与CCA算法相结合可以有效发挥两种算法的优越性，能够产生较好的对SSVEP脑电信号的识别效果。

本发明实施例中，在步骤S2中，设定带分解的分量个数K，构造变分问题，具体为：

待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量u_k(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：

S201、利用Hilbert变换求多元调制振动信号u_k(t)的解析信号

其中分别为第1～第C通道的解析信号；u_k,1(t)～u_k,C(t)分别为u_k(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号。

S202、预估解析信号的中心频率为w_k，采用移频操作将解析信号的频谱移至基带：

S203、利用梯度的L²范数构造约束变分问题如下：

其中u_k,c(t)为分解的第k个分量中u_k(t)的第c个通道的数据，x_c(t)为待识别脑电信号x(t)的第c个通道的数据。

S204、引入二次罚项α和拉格朗日乘子λ将约束变分问题转换为无约束变分优化问题：

其中，<>表示两个元素的积；λ_c为

步骤S2中，采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：

S2001、初始化迭代次数n设置为0；为u_k,c(t)对应的迭代初值，为每个中心频率w_k(k＝1,2,...,K)对应的迭代初值，为拉格朗日乘子函数λ_c对应的迭代初值；

S2002、对于第n+1次迭代，对每一个多元调制分量u_k,c(t)，k＝1,2,3…K进行更新如下：

其中为u_k,c(t)对应的第n+1次迭代值；i为下标k的指代标志，为包含当i＜k时所有的u_i,c(t)对应的第n+1次迭代值的集合，为包含当i≥k时所有的u_i,c(t)对应的第n次迭代值的集合；为w_k的第n次迭代值，为包含所有w_i对应的第n次迭代值的集合；为λ_c对应的第n次迭代值；

解得的频域更新公式为：

其中w为频域变量；

S2003、对每个中心频率w_k(k＝1,2,...,K)的第n+1次迭代至更新如下：

得到的频域更新公式为：

S2004、拉格朗日乘子函数λ_c对应的第n+1次迭代值更新如下：

S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：

最终得到K个多元调制分量u_k(t)，k＝1,2,...,K。

本发明实施例中，步骤S3，据诱发待识别脑电信号的视觉刺激频率，定义参考信号，具体为：

根据诱发SSVEP的N个视觉刺激频率f_i，其中i＝1,2,…,N，定义参考信号为：

其中，N_h表示谐波的数量。

本发明实施例中步骤S4，求解特定刺激频率f_i的加权关联系数，具体为：

S401、针对特定刺激频率f_i(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量u_k(t)，k＝1,2,...,K与参考信号Y_i，i＝1,2,…,N，的最大典型关联系数

S402、求刺激频率f_i下的加权关联系数：

表1为FBCCA与MVMD-CCA仿真结果对比表，其中基于MVMD-CCA的SSVEP脑电识别算法比FBCCA的算法在同一基准数据集的准确率有了明显的提升，证实了算法的有效性。

表1

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。